Machine Learning¶
La capa de aprendizaje automatico de la plataforma. Tiene dos mitades independientes que comparten el mismo pipeline de caracteristicas: el entrenamiento, que produce modelos y los versiona en un registro; y el servicio, que los sirve para inferencia tanto en linea como en lotes nocturnos. Cubre dos problemas distintos: deteccion de anomalias y prediccion (forecasting) de series temporales.
El servicio en linea expone un endpoint que, dado un sensor y un horizonte, devuelve una prevision de las proximas horas con bandas de confianza. Como la inferencia es sincrona y costosa (consulta de historico, calculo de caracteristicas y paso por el modelo), se ejecuta fuera del bucle de eventos para no bloquear el servidor, y las caracteristicas se cachean con caducidad para no reconstruirlas en cada peticion. Ademas del camino online hay un trabajo nocturno que precalcula predicciones a veinticuatro horas para todos los sensores y las guarda.
La decision clave del entrenamiento es que las caracteristicas se construyen con el mismo codigo en entrenamiento y en inferencia, garantizando el mismo orden y significado de las columnas. Esto elimina el sesgo entre entrenamiento y servicio (train/serving skew), uno de los fallos mas insidiosos de los sistemas de ML en produccion.
El entrenamiento de anomalias usa IsolationForest y se calibra a un objetivo de falsos positivos. Tiene una puerta de calidad explicita: un modelo solo se registra si supera un umbral de recall y de tasa de falsos positivos. Si el modelo no es lo bastante bueno, no llega a produccion, y el resto de la plataforma degrada de forma controlada mientras tanto en vez de servir predicciones malas.
El entrenamiento de forecasting compite tres familias de modelos (una linea base, XGBoost y una red LSTM) sobre las mismas particiones temporales, valida con la tecnica de walk-forward (avanzando en el tiempo, sin mirar el futuro) y selecciona el mejor por error a veinticuatro horas. El ganador se promociona automaticamente a la fase de pruebas si mejora de forma significativa al modelo actual, dejando el paso a produccion como una decision manual.
Todo el ciclo de vida (experimentos, metricas, versiones y esquema de caracteristicas) se gobierna con un registro de modelos, y los reentrenamientos periodicos y el batch nocturno los dispara la capa de orquestacion.